Upload
leolin-cros
View
107
Download
2
Embed Size (px)
Citation preview
Cours sur le traitement automatique des langues :La sémantique (1b)
Violaine Prince
Université de Montpellier 2
LIRMM-CNRS
2
Plan de l’exposé Classement des approches
sémantiques Par granularité Par paradigme
Sémantique vectorielle : un modèle trans-granularité
Conclusion et perspectives
3
Classement des approches sémantiques
La notion de granularité : Taille du segment interprétable.
Sublexical (les sèmes) Lexical (le mot) Syntagmatique (syntagmes/groupes) Phrastique (phrase/proposition) Textuel (ensemble de phrases) Document (texte complet) Collection
4
Les granularités définies
Le niveau sublexical est peu décrit : Théories linguistiques de type sémantique
structurale (Pottier, Greimas) Travaux informatiques :
M. Gross : constitution de dictionnaires (Intex/ Sylberstein)
Informatisation des travaux de F. Rastier (P; Beust)
5
Sémantique structurale Ecole Française de Bernard Pottier et
ses élèves (Greimas, Rastier) Le mot est un « ensemble » de
« sèmes » ou signes de sens. La structuration sémantique est une
« superstructure » de la structuration sémique.
Deux unités sont différenciées : le sème (signe) et le sémantème (unité de sens)
6
Représentation sémantique structurale
appareil
appareil à essenceaspiration liquide
1.
2.
les propriétés de l’essence
essence pour véhicule3. lieu consacré à la vente
station d’essence 4.
Une « partie » du mot « pompe »
entreprise
7
Le niveau lexical (sémantique lexicale) est très riche.
Mots ou groupes de mots inséparables. Exemples :
Pomme Pomme-de-terre
Sert de base aux dictionnaires Plusieurs paradigmes défrichent ce
niveau.
8
Niveau syntagmatique/groupe : les sémantiques n-grammes (bi ou trigrammes)
Expression syntagmatique nominale : N1 de N2 (B. Habert)
• Moulin à café (quasi-lexicalisé)• Médecin de famille • Fleur des champs, fleur de pommier…
Peu de travaux sur les groupes verbaux (sauf en anglais en raison des suffixes)
En gros, des sémantiques de type « opérationnel » à base fréquentielle (Zipf, Harris…)
9
Le niveau propositionnel est le domaine privilégié des modèles sémantiques logiques.
La proposition est « complète » en termes de sens Elle est évaluable L’évaluation se fait après décomposition (en éléments
constitutifs) et recomposition du sens Le rapport entre phrase et proposition n’est pas toujours
très clair (la majorité des exemples de phrases sont des propositions).
Les expressions figées : lexicalisation (E. Laporte). Balayer devant sa porte. Tourner autour du pot (to beat around the bush).
10
Le niveau textuel sémantique commence à se confondre avec le niveau thématique. Un texte = un énoncé = un ensemble de
phrase. N’est pas une unité « complète » Possède un « thème » (ou plusieurs) De quoi parle le texte ?
11
Travaux sur les liens entre phrases (inter-phrastiques).
Anaphore pronominale : attachement syntaxe-sémantique.. Parfois fondé sur des connaissances extra-sémantiques.
• Le médecin est venu voir Pierre. Il avait 39 de fièvre.• Le médecin est venu voir Pierre. Il avait une sacoche
noire bourrée.• Le médecin est venu voir Pierre. Il est arrivé une heure
et demie après notre appel.• Le médecin est venu voir Pierre. Il était enrhumé.
12
Travaux de Grosz et Sidner (1986) : « focus and attention »
L’attachement pronominal se fait majoritairement avec le dernier nom de même genre et nombre.
• Le médecin est venu voir Pierre. Il avait 39 de fièvre
• (1/4 exact)
Sinon, il dépend du « thème » général du texte. Thème médecin : personne spécialiste, faisant des visites, à
l’appel des malades, portant une sacoche.• Le médecin est venu voir Pierre. Il avait une sacoche noire
bourrée.
• Le médecin est venu voir Pierre. Il est arrivé une heure et demie après notre appel.
• 2/4 exact.
13
Thème « Pierre est malade » Il a de la fièvre, il est enrhumé.
• Le médecin est venu voir Pierre. Il avait 39 de fièvre
• Le médecin est venu voir Pierre. Il était enrhumé.
• 2/4 exact.
Double thème : le médecin et Pierre est malade. Les quatre énoncés sont interprétables Cependant, le médecin peut-être lui aussi enrhumé.
14
Les anaphores nominales : la relation de synonymie ou de proximité sémantique lexicale. Pierre est allé voir un ophtalmologiste. Le
spécialiste lui a donné une ordonnance pour une nouvelle paire de lunettes.
Qu’avez-vous fait à Marie-Hélène ? Cette femme n’arrête pas de téléphoner.
15
Dès lors qu’on dépasse en granularité le niveau propositionnel, des « niveaux » d’analyse autres que sémantiques semblent être sollicités.
Trois dimensions semblent co-exister et interagir: La syntaxe (règles de composition) La sémantique (règles de pré-interprétation) La pragmatique (stratégies d’interprétation => opérer des
choix dans les pré-interprétations sémantiques)
16
Au niveau du document : On passe complètement dans des structures d’analyse
ou de représentation « stylistiques » ou de contenu. Les travaux informatiques sur le document ne
concernent que : Sa structuration (formalisée ou pas) Ses liens (hypertextes…) Sa pertinence par rapport à une requête (recherche
d’information) Sa thématique représentable par des mots clés
(indexation) Sa catégorisation (par rapport à un thème fourni) Sa classification (par rapport à un thème, une collection
ou un autre document)
17
La collection : complètement dans une vision thématique Collection de textes Collection d’ouvrages qui sont eux-mêmes
des collections de texte Les travaux informatiques sont ceux de la
recherche documentaire (Salton et dérivés).
18
Conclusion sur la notion de granularité
La sémantique s’efface avec l’augmentation de la granularité, graduellement, au profit de la thématique.
La sémantique apparaît plus non pas comme un choix univoque d’interprétation (fonction) que comme un choix ensembliste (application d’un élément vers une partie d’ensemble). On parle plutôt de « champ sémantique ».
19
En réalité, la sémantique est un mécanisme de comparaison beaucoup qu’un mécanisme d’affectation de valeur. Au niveau sublexical : pompe : « proche »
d’appareil, d’appareil à essence, de station, d’entreprise… proche aussi d’aspiration (appareil aspirant) d’air(fusil à pompe), de mouvement haut et bas (faire des pompes)….
20
Au niveau lexical : quel terme exact choisir pour remplacer « pompe » …
Au niveau syntagme/groupe : savoir si le syntagme à un sens différent de la composition des sens des constituants. Composition non commutative ;
Voile de Bateau différent de Bateau à voile Valeur des moyennes différent de moyenne des
valeurs
21
Composition souvent non intègre Moulin à paroles -> bavard Pomme-de-terre -> rien à voir avec la
pomme et la terre Les formalismes n-grammes ne
conservent pas toujours la nature même du lien
22
Au niveau propositionnel : L’évaluation à la valeur de vérité n’est absolument
pas pertinente. Une phrase est interprétée linguistiquement si on
en reconnaît le thème et on sait l’associer à des objets du monde (interprétation extra-sémantique)
Une phrase est interprétée informatiquement si et seulement si elle est transcrite dans un formalisme sans perte d’information intrinsèque, qui conserve ses relations de proximité et son appartenance thématique.
23
référent : objet linguistique
référé: objet mental objet référé: objet du monde
Langue
mondeindividu
triangle aristotélicientriangle aristotélicienL’interprétation linguistique associe :• pour un individu donné • Un référent donné (objet linguistique)• À un objet du monde
24
L’ « interprétation informatique » associe, - pour un objet linguistique donné- - un objet mathématique- Calculable par une machine -
.
Langue
machine
FormalismeInterprétablePar un individuEt représentablePar ce dernier
25
En machine on ne fait que re-présenter et non pas interpréter
On délègue à la machine le processus de calcul des similitudes et des proximités (entre énoncés)
Quand il y a de GRANDES MASSES de données
26
Les paradigmes (de calcul)
Le paradigme symbolique logique On traduit l’énoncé en langue en un énoncé logique
que l’on manipule ensuite selon ses propres lois Au lieu d’interpréter en valeur de vérité absolue, on
vérifie que l’énoncé est valide par rapport aux « ontologies ».
On appelle ontologie une structure de connaissances qui :
Relie des concepts entre eux Leur associe des propriétés Possède des propriétés exploitables par des opérateurs
27
Exemple : ontologie de schémas (Minsky)
C1n
valeurs par défaut pour C1n sous forme d ’{attribut
(facette, valeur)}
C1n-1
C11
lien « is-a »
SchémadeC1
n
Schéma de C1
1
Schémade
C1n-1
28
Exemple Chaise :
chaise-à-porteur
chaise
meublecomposé de:pieds (3, 4)dosseret (oui,non)barreaux :( oui,non)assise :matière
fait en :matière (organique, minérale)type (naturelle, artificielle)prix:origine :
17ème sièclemode de transport
fauteuil
29
Formalismes d’ontologies : Treillis(de Galois) Arborescences Réseaux (sémantiques)
Ont du mal a différencier le statut « langue» du statut « formalisme » au niveau lexical « dictionnaires », « thésaurus »
30
Les modèles de données
Les « ontologies » arborescentes après l ’échec d’une structuration trop
importante et trop large restriction des années 90
à une application à un domaine, de préférence technique et
défini à une structure arborescente
plusieurs « arbres de connaissance » plutôt qu ’un seul réseau
31
Exemple (1) domaine : chimie application : enseignement secondaire de la
chimie atomique: agrégats « partie-de »
particule
atome
molécule substance
32
Exemple (2)
domaine : chimie application : enseignement secondaire de la
chimie atomique: agrégat « sorte-de »
particuleparticulechargée particule neutre
proton électronneutron
33
Propriétés structurelles
relations typées sorte-de selon un critère sorte-de : inclusion de classe sorte-de : membre-de partie-de
Les ontologies arborescentes supposent :
un mot un sens ce qui correspond qu ’à un sous-
ensemble très faible du langage naturel
34
Les modèles multi-structure
Les graphes conceptuels (Sowa 1984) l ’idée que l ’esprit et le langage s ’organisent
de la même manière (ressemblance des contextes linguistique et mental)
il existe une représentation en lambda-calcul du contexte mental
application à la langue
35
Graphes conceptuels Modèle de données
Un treillis de concepts Un treillis de relations
Lambda-formules Graphe canonique Graphe de définition Graphe de phrase
36
Fonction des modèles symboliques logiques
Actions « sémantiques » réalisées: Transformer la phrase en LN :
La chaise est bleue En sa structure logique (ou sa lambda-expression):
Chaise (x) couleur (x, « bleu ») Vérifier dans l’ontologie
Que chaise existe Qu’elle peut avoir une couleur Que la couleur « bleu » existe Qu’il n’existe pas de contrainte contre la couleur
bleue pour une chaise
37
Limites en LN
Reste le problème de savoir : S’il s’agit d’un exemplaire de chaise répertorié
dans l’ensemble des connaissances x0 X/ chaise(x0) couleur(x0, « bleu »)
S’il s’agit d’un nouvel exemplaire x chaise(x) couleur(x, « bleu ») => x X
S’il s’agit d’une assertion concernant la classe des chaises x X chaise(x) => couleur(x, « bleu »)
38
Beaucoup de connaissances à intégrer Problème des sens figurés du mot:
jouer aux chaises musicales mener une vie de bâton de chaise
Et de certains de ses dérivés : ambitionner le fauteuil présidentiel.
A éviter en recherche d’information ou indexation
39
Autres paradigmes Le paradigme symbolique numérique
Le modèle connexionniste Le modèle vectoriel (non saltonien)
Le paradigme statistique/probabiliste Modèle vectoriel de Salton La co-occurrence de Church Les mesures de similarité ou de similitude La sémantique distributionnaliste (Harris) Les chaînes de Markov Le modèle de Markov caché
40
Plusieurs approches connexionistes de la sémantique
Sémantique Lexicale Calculer le sens d’un mot en contexte (par rapport
aux autres mots co-occurents). Un réseau mono ou bi-couche de
n cellules ayant chacune une variable d’état xn
Des arcs entre ces cellules avec un poids qui affecte les états des cellules qu’ils relient
Des équations d’état pour qui sont des gradiants d’une fonction d’énergie F(x,p,t))= grad_x(E(x,p,t)).
Un mécanisme d’apprentissage sous forme d’équation de modification de poids/ p’=L(x,p,t).
Le modèle connexionniste
41
Les cellules représentent des mots Ils sont reliés en fonction de leur présence dans
un contexte donné (fenêtre) Les poids sont définis initialement. Les changements d’état interviennent entre un
état initial correspondant à une définition et un état final correspondant à la position en contexte dans une phrase donnée.
Le mécanisme d’apprentissage recalcule le poids en fonction de la phrase apprise.
42
Modèles connexionnistes en sémantique : limites
Le réseau mono-couche « perd » la définition initiale.
Le réseau bi-couche la conserve et permet de mesurer la différence entre un sens « dictionnairique » et un sens « en corpus », mais il est limité en taille…
Les modèles mono-couche risquent de modifier très fortement les relations entre les mots en fonction des corpus rencontrés. On peut « oublier » des sens rares On peut apprendre de manière biaisée.
43
Les modèles vectoriels Le modèle vectoriel sera présenté dans le prochain
cours. Modèle à famille génératrice de taille fixe (équipe TAL
du LIRMM) Issu du TAL. Modèle sémantique.
Modèle à base de taille variable (modèle de Salton). Issu de la recherche documentaire. Problème de la
pertinence d’un texte par rapport à une requête Non TAL Non sémantique
44
La co-occurrence de Church: Formule de l’information mutuelle (n-grammes)
Modèle fondé sur des probabilités conditionnelles
Notion de fréquence d’apparition commune entre des termes.
Si x et y sont tous deux des mots, l’information mutuelle I(x,y) est donnée par la formule :
Où, si N est le nombre total de mots : p(x) = freq(x)/N p(y) = freq(y)/N p(x,y) = freq(x,y)/N
I(x,y) = log2 [p(x,y)/(p(x)p(y))]
45
On remarque que plusieurs bi-grammes sont de fréquence très basse.
L’information mutuelle a des valeurs exagérémment élevées pour des bigrammes de basse fréquence , cad qu’elle considère comme associés des termes qui ne le sont pas tellement.
Formule du maximum de vraisemblance log[ (freq(x,y)/N)/(freq(x)/N)(freq(y)/N) ]
Quand on passe aux n-grammes , la fréquence diminue encore.
46
Les mesures de similarité ou de similitude Plusieurs mesures existent. Elles définissent
La proximité d’un document par rapport à un autre en fonction des termes qu’ils contiennent
La pertinence thématique d’un document par rapport à un index, un mot-clé, une requête
Elles proviennent d’une approche « recherche documentaire »/statistique (vs IA/logique ou IA/connexionniste)
47
Les mesures de similarité ou de similitude Produit scalaire (cosinus) ou similarité de
Salton. Mesure géométrique de type
distance : cos(d,d’)= d.d’/(IIdIIxIId’II)
Coefficient de Jaccard Mesure ensembliste ou {d} est l’ensemble des
unités linguistiques du document d jaccard(d,d’)= I{d}{d’}I/(I{d} {d’}I)
1- jaccard(d,d’) vérifie l’inégalité triangulaire et donc se comporte comme une distance.
48
La sémantique distributionaliste (Harris)
En France, travaux de Rajman, Habert, Bonnet Ailleurs : Grefenstette, Dagan, Sparck Jones…
Forte corrélation entre les caractéristiques distributionnelles observables des mots et leurs sens.
Les contextes apportent suffisamment d’information pour un lecteur humain pour être en mesure d’affecter un sens à un mot en contexte.
Lemme : Deux unités linguistiques sont sémantiquement similaires si leurs contextes textuels sont similaires.
49
Approches distributionalistes
Intégration de matrices de co-occurrence Interprétation de profils de co-occurrence
probabilistes (Besançon et Rajman) P(tiIuj) ≈ cij= f(tj,ui) / kf(tk, ui) En d’autres termes; la probabilité que le sens porté
par le terme tj soit associé à l’unité linguistique ui est aussi le coefficient dans la matrice de co-occurrence des termes d’indexation avec les contextes (unités linguistiques) du corpus, c’est-à-dire la fréquence d’occurrence du terme par rapport à la somme des fréquences d’occurrences des termes dans cette même unité.
50
Exemple
Le X se comporte de façon individualiste, il a une grande gueule rose quand il baille, et est très soucieux de sa toilette.
Les Egyptiens adoraient le X et lui associaient des qualités de paix du foyer et de miséricorde.
La nuit tous les X sont gris.
X= chat
51
Les chaînes de Markov A eu un impact important dans la statistique
textuelle Usage de la la probabilité conditionnelle (n-
grammes) de manière différente: Plutôt que d'étudier le rapport entre deux variables
X et Y, on cherche à caractériser la relation entre les états (symboles) consécutifs d'une seule variable X.
On parlera alors de probabilité de transition d'un symbole vers un autre:
P(ai->aj) := P(Xt+1= iXt= j) (probabilité conditionnelle)
où ai, aj A, et Xt représente l'état du système au temps t.
52
On appelle chaîne de Markov d'ordre 1 le modèle défini par une matrice de transition P de composantes
Pij = p(ai ->aj). En généralisant, on peut construire des
modèles d'ordre k≥ 1 avec Pij = p(w i->ai) et wi Ak.
Conseil : http://www.unil.ch/Jahia/site/ling/cache/
offonce/pid/12879
53
Autres modèles Il existe de nombreux modèles mais ils
apparatiennent à une famille. Famille symbolique logique Famille symbolique numérique Famille statistique/probabiliste
54
Synthèse Les modèles symboliques logiques essaient de
représenter le sens par/pour le raisonnement Les modèles symboliques numériques essaient d’utiliser
l’arithmétique, l’algèbre ou la géométrie pour représenter le sens par rapport : À d’autres sens À d’autres mots
Les modèles statistiques ou probabilistes représentent le sens comme une probabilité ou une fréquence d’occurrence d’un motif dans un contexte.
55
Synthèse (fin)
Les modèles symboliques logiques essaient de reconstituer artificiellement le triangle aristotélicien
Les modèles symboliques numériques acceptent d’être exclusivement dans une relation référent(langue)-référent(formalisme) et considèrent que le référé est approché par le morphisme M qui dit que : Si x en L est relié à x1,x2,…,xn alors rep(x) dans F est relié à
rep(x1),rep(x2),…rep(xn) par une fonction sur F. Les modèles statistiques/probabilistes ne travaillent que
dans une relation référent(langue)-référent(langue) où la machine et les algorithmes servent de support de calcul sur de grandes masses de données.